Paperis 아티클

그 사람들은 언제부터 세어졌나 — 관찰연구가 효과를 만들어내는 방식

"약을 먹은 사람이 오래 살았다"는 문장은, 약에 대한 진술이기 전에 세는 방법에 대한 진술입니다. 누구를 언제부터 세는가와 누가 왜 빠지는가, 이 둘 중 하나만 어긋나도 없던 효과가 만들어집니다.

기초AI 생성기초과학 · 2026년 10월 5일

내 분야 논문을 오디오로

관심 분야·저널을 고르면 Paperis가 핵심 논문을 요약하고 음성으로 변환해 드려요. 출퇴근길에 들어보세요.

그 사람들은 언제부터 세어졌나 — 관찰연구가 효과를 만들어내는 방식

2001년, 한 의학 저널에 실린 연구가 큰 화제가 됐습니다. 아카데미 시상식에서 상을 받은 배우들이, 같은 영화에 나왔지만 상은 못 받은 동료 배우들보다 4년 가까이 오래 살았다는 것입니다. 기사가 쏟아졌습니다. 인정받는 일이 몸에 좋다, 지위가 수명을 늘린다는 해석이 따라붙었습니다.

5년 뒤, 다른 연구자들이 같은 자료를 다시 계산하고 원래 분석의 이상한 점 하나를 지적했습니다. 상을 받으려면, 상을 받는 날까지 살아 있어야 합니다. 그런데 원래 계산은 수상자가 상을 받기 전에 살았던 세월까지 "수상자로서 산 기간"에 넣어 셌습니다. 그 세월 동안 그 사람은 죽을 수가 없었습니다. 그 사이에 죽었다면 애초에 수상자 명단에 오르지 못했을 것이기 때문입니다.

그 기간을 걷어내고 다시 계산하자 수명 차이는 1년 남짓으로 줄었습니다. 그 정도 차이는 우연으로도 충분히 나올 수 있는 크기였습니다. 이런 경우를 "통계적으로 유의하지 않다"고 말합니다 (PMID 16954361).

바뀐 것은 각 사람을 언제부터 세기 시작했는가 하나입니다. 배우들의 수명이 바뀐 것도, 자료가 바뀐 것도 아닙니다.

이런 왜곡은 배우의 수명을 비교할 때만 생기지 않습니다. 재분석 저자들은 같은 왜곡이 어떤 치료가 생명을 연장하는지 묻는 관찰연구에서 자주 일어난다고 적었습니다 (PMID 16954361). 관찰연구는 누가 어떤 치료를 받을지를 연구자가 정하지 않고, 이미 일어난 일을 기록에서 되짚는 연구입니다. 병원 기록·보험 청구 자료·국가 등록자료로 하는 연구가 대부분 여기 속합니다.

이 편은 「해저드비 0.7은 무엇의 0.7인가 — 생존곡선 읽는 법」에서 배운 말 세 개를 씁니다. 첫째는 해저드비입니다. 해저드비는 매 시점에 사건이 일어나는 빠르기를 두 군끼리 나눈 값입니다. 둘째는 중도절단입니다. 추적이 끝날 때까지 사건이 일어나지 않았거나 중간에 연락이 끊긴 사람은, 아는 데까지만 세고 계산에서 내려놓습니다. 이 처리를 중도절단이라고 부릅니다. 셋째는 위험비로, 「오즈비는 위험비가 아니다 — '몇 배'가 무엇의 몇 배인가」에서 다뤘습니다. 위험비는 끝까지 따라갔을 때 사건을 겪은 사람의 비율을 두 군끼리 나눈 값입니다. 해저드비는 사건이 언제 일어났는지를 재고, 위험비는 몇 명이 겪었는지를 잽니다.

이 편은 이 장치들이 제대로 된 답을 내려면 무엇이 지켜져야 하는지를 다룹니다. 지켜져야 할 조건은 두 개입니다. 누구를 언제부터 세는가, 그리고 누가 왜 세는 대상에서 빠지는가입니다. 둘 중 하나가 어긋나도 곡선은 여전히 매끄럽게 그려지고, 숫자도 소수점 둘째 자리까지 나옵니다. 다만 그 숫자는 약의 효과 대신 세는 방법의 결함을 재게 됩니다.

죽을 수 없었던 기간 — 불멸시간 편향

첫 번째 조건이 어긋난 경우부터 보겠습니다. 편향은 계산 방식 때문에 결과가 한쪽으로 기우는 것을 말합니다. 불멸시간 편향은 치료를 받기까지 기다린 기간이 치료군의 생존 기간으로 잘못 세어져 생기는 편향입니다. 어떤 사람이 "치료받은 사람"으로 묶이려면 치료받는 날까지 살아 있어야 합니다. 그런데 그 기다림의 기간을 치료군의 생존 기록에 넣으면, 치료군은 실제보다 오래 산 것처럼 보입니다.

한 사람의 추적 기간을 나타낸 가로 막대 두 줄. 시점 0부터 치료 시작까지가 빗금 친 불멸시간이다. 윗줄은 이 구간까지 치료군으로 칠했고, 아랫줄은 이 구간을 비치료로, 치료 시작 이후만 치료군으로 칠했다.

"불멸시간"이라는 이름은 그 기간 안에서 치료군에 죽은 사람이 한 명도 나올 수 없다는 데서 왔습니다. 그 사이에 죽은 사람은 치료를 받지 못했을 것이고, 치료를 받지 못한 사람은 치료군에 들어가지 않기 때문입니다.

운동선수 연구가 가장 알기 쉬운 예입니다. 여러 관찰연구에서 "훈련량이 적은 선수가 오히려 부상을 더 많이 당한다"는 결과가 나왔습니다. 이 결과는 훈련량을 재는 시점에서 생겼습니다. 훈련량을 추적이 끝난 시점에 몰아서 쟀기 때문입니다. 일찍 다친 선수는 그 뒤로 훈련을 못 했으니 훈련량이 적게 잡힙니다. 다쳐서 훈련량이 적었던 것이지, 훈련량이 적어서 다친 것이 아닙니다 (PMID 39447997).

정형외과 연구에서는 "최소 몇 년 이상 추적된 환자만 포함"이라는 흔한 조건이 같은 일을 합니다. 흔히 쓰는 기준인 2년을 예로 들겠습니다. 숫자 자체는 형식을 보이려는 예시입니다. 이 조건은 2년을 못 채우고 사망하거나 재수술받은 사람을 조용히 지웁니다. 그리고 살아남은 사람들의 그 2년을 성적표에 얹습니다 (PMID 34253442).

세 예에서 어긋난 자리는 같습니다. 시점 0은 "이 사람을 오늘부터 센다"고 정한 날짜, 곧 그 사람의 시계가 돌기 시작하는 순간입니다. 무작위배정 임상시험, 곧 제비뽑기로 군을 나누는 시험에서는 시점 0이 저절로 정해집니다. 제비뽑기로 군을 배정받는 순간이 곧 시계가 도는 순간이기 때문입니다. 관찰연구에는 그런 순간이 없습니다. 연구자는 자료를 뒤져서 "이 사람은 치료군", "이 사람은 대조군"이라는 이름표를 나중에 붙입니다. 그 이름표가 시계보다 뒤에 붙으면, 그 사이의 시간이 통째로 공짜 생존이 됩니다.

편향의 크기는 세 가지가 정합니다 (PMID 31155675). ①치료를 받기까지 평균 얼마나 걸리는가 ②전체 중 치료받은 사람이 몇 퍼센트인가 ③추적이 얼마나 긴가입니다. 방향은 정의에서 따라 나옵니다. 기다림이 길수록, 추적이 짧을수록 편향이 커집니다.

불멸시간은 같은 사람들의 기대여명을 시기마다 다르게 보이게도 합니다. 기대여명은 앞으로 더 살 것으로 기대되는 햇수입니다. 영국 진료기록에서 지적장애가 있는 사람 33,867명의 기대여명을 계산하면서 불멸시간을 그냥 관찰기간으로 넣었습니다. 그러자 2000~2004년 값은 65.6년, 같은 방식의 2010~2014년 값은 58.0년이 나왔습니다. 그 10년 사이에 이 사람들의 건강이 갑자기 나빠진 것이 아닙니다. 앞쪽 시기일수록 "진단이 기록되기까지 살아 있어야 했던" 시간이 길게 잡혔던 것뿐입니다 (PMID 35350993).

얼마나 흔한가

불멸시간 편향은 관찰연구에서 드물지 않습니다. 진료·청구 기록으로 약효를 평가한 관찰연구 162편 가운데 35편(21.6%)이 불멸시간 편향 위험이 높은 것으로 분류됐습니다. 그중 다시 계산할 수 있었던 16편을 보정해 보니, 4편(25%)은 보정한 값이 원래 추정치와 통계적으로 유의하게 달랐습니다. 다른 4편(25%)은 유의성 판정 자체가 뒤집혔습니다. 곧 "효과가 있다"와 "차이가 없다"의 판정이 바뀌었습니다. 그런데 위험이 높았던 35편 가운데 자기 결과가 이 편향의 영향을 받았을 수 있다고 언급한 논문은 5편(14.3%)뿐이었습니다 (PMID 41382023). 저자들은 이 편향이 결론을 크게 비틀 수 있다고 결론지었습니다.

다른 분야를 센 결과도 있습니다. 미국 암 데이터베이스로 수술 후 방사선치료를 평가한 논문 60편 중 23편(38.3%)이 이 편향을 보정하지 않았습니다 (PMID 31404580). 임신 중 약물 사용을 다룬 관찰연구 20편 중에서는 11편(55%)에 이 편향이 있었습니다 (PMID 35753061). 메트포르민과 치매를 다룬 추적연구 13편 중에서는 8편(61.5%)이 이 편향이 있거나 명확히 다루지 않았습니다. 그리고 불멸시간 편향처럼 시간 계산에서 생기는 편향을 가장 많이 다룬 연구들은 "연관 없음"으로 결론지었습니다 (PMID 36186728).

편향은 얼마나 큰가

이 절에는 실제 약 이름이 나옵니다. 여기 나오는 약 이름은 편향의 크기를 보이기 위한 사례이고, 그 약이 좋은지 나쁜지에 대한 판단이 아닙니다. 각 숫자는 그 연구들의 설계·대상·시점 안에서만 뜻을 갖습니다. 어떤 치료를 쓰라거나 쓰지 말라는 판단은 이 글에 없고, 그 판단은 그 분야의 임상 근거와 진료지침이 맡습니다.

읽는 법은 하나입니다. 편향이 있는 계산과 없는 계산을 나란히 놓고, 그 사이의 간격을 봅니다. 간격이 클수록 편향이 숫자를 많이 움직였다는 뜻입니다. 위험비나 해저드비가 1이면 두 군에 차이가 없다는 뜻입니다. 괄호 안의 두 숫자는 신뢰구간, 곧 참값이 있을 법한 범위입니다. 이 범위가 1을 품으면 그 결과는 "차이가 없다"와 구별되지 않습니다.

네 줄의 점-구간 도표. 메트포르민·위암 위험비 0.67(0.59–0.77)에서 0.95(0.85–1.05)로, 베타차단제 전체 사망 해저드비 0.88(0.79–0.97)에서 1.00(0.93–1.07)으로, 베타차단제 암 사망 0.75(0.64–0.88)에서 0.90(0.83–0.98)으로, 위산분비 억제제 심혈관 사망 1.27(1.11–1.44)에서 1.06(0.96–1.16)으로 바뀐다. 모두 편향을 걷어내면 1에 가까워진다.

메트포르민과 위암. 불멸시간 편향이 있는 추적연구 6편을 모으면 위험이 33% 낮아 보였습니다(위험비 0.67, 95% 신뢰구간 0.59–0.77). 편향이 없는 8편을 모으면 연관이 없었습니다(0.95, 0.85–1.05) (PMID 33453371).
베타차단제와 암 예후. 30편 전부를 모으면, 전체 사망 기준 해저드비는 0.88(0.79–0.97)이었고 그 암으로 인한 사망 기준은 0.75(0.64–0.88)였습니다. 편향 위험이 있는 연구를 빼자 전체 사망 쪽은 1.00(0.93–1.07)으로 차이가 사라졌습니다. 암으로 인한 사망 쪽은 0.90(0.83–0.98)으로 남았습니다. 다만 저자들 자신의 결론은 편향 위험 연구를 뺀 뒤에는 임상적으로 의미 있는 근거를 찾지 못했다는 것이었습니다 (PMID 27179912). 저자들은 베타차단제가 암 생존에 이롭다는 그간의 제안이 이 편향에 기댄 것이었을 수 있다고 덧붙입니다 (PMID 27179912).
심방세동 시술과 뇌졸중. 10편 중 8편(80%)에 편향이 있었습니다. 편향이 없는 연구만 모으면 뇌졸중 감소가 통계적으로 유의하지 않았습니다(0.75, 0.49–1.02). 구간이 1을 넘어서까지 걸쳐 있기 때문입니다 (PMID 32979508).
면역글로불린과 독성쇼크증후군. 독성쇼크증후군은 세균 감염으로 온몸이 몇 시간 만에 무너지는 중증 질환이고, 여기에 면역글로불린이라는 약을 씁니다. 편향의 크기를 계산해 주는 도구로 재 보니, 기존에 보고된 생존 이득이 적어도 부분적으로는 이 편향으로 설명됐습니다. 저자들의 결론은 "효과가 있는지 여전히 불확실하다"였습니다. 효과가 없다고 결론 내린 것은 아닙니다 (PMID 40256040).
SGLT-2 억제제(당뇨약 계열 하나). 무작위시험 7편과 관찰연구 23편을 나란히 놓았습니다. 관찰연구 일부는 사망 50% 감소를 보고하고 있었습니다. 연구마다 결과가 들쭉날쭉했는데, 그 들쭉날쭉함은 무작위시험인가 관찰연구인가로 설명됐습니다(전체 사망·심혈관 사망 모두 p<0.001). 다만 심부전 입원에서는 그렇지 않았습니다(p=0.18) (PMID 33991127). 저자들은 관찰연구의 부풀려진 결과가 불멸시간 편향 같은 방법상의 문제에서 왔을 수 있다고 봤습니다.

편향이 언제나 약을 좋아 보이게 만드는 것은 아닙니다. 위산분비 억제제와 심혈관 사건을 다룬 관찰연구들을 모으면 심혈관 사망 해저드비가 1.27(1.11–1.44)이었습니다. 출판편향, 곧 눈에 띄는 결과가 더 잘 출판되는 경향과 관찰연구의 설계 편향을 함께 보정하자 이 값은 1.06(0.96–1.16)이 됐습니다 (PMID 36195531). 여기서는 편향이 약을 위험해 보이게 만들고 있었습니다.

누가 왜 빠지는가 — 정보성 중도절단

두 번째 조건은 누가 왜 세는 대상에서 빠지는가입니다. 앞에서 되짚었듯이, 끝을 모르는 사람을 아는 데까지만 세고 내려놓는 처리가 중도절단입니다. 정보성 중도절단은 사람이 추적에서 빠지는 일 자체가 그 사람의 앞날에 대한 정보를 담고 있는 경우입니다. 쉽게 말해 빠진 게 우연이 아니었다는 뜻입니다.

빠진 게 우연이어야 하는 이유는 생존곡선이 그려지는 방식에 있습니다. 생존곡선은 빠진 사람의 뒷이야기를 남은 사람들에게서 빌려 옵니다. 그래서 중도절단이 제대로 작동하려면, 추적에서 빠진 사람의 그 뒤 운명이 계속 남아 있는 비슷한 사람들과 같아야 합니다.

보험 탈퇴가 좋은 예입니다. 미국 민간보험에 가입한 성인 가운데 한 해 중간에 탈퇴하는 비율은 매년 13~14%로 꾸준했습니다. 누가 연중에 탈퇴하는지를 예측한 요인은 건강 상태였습니다. 나이, 동반질환, 쇠약, 입원, 응급실 방문, 처방약 사용이 그것입니다. 반면 연말에 한꺼번에 빠지는 사람들을 예측한 요인은 보험 상품 종류나 지역 같은 행정적인 것이었습니다 (PMID 30788887). 자료는 2,050,000 사람-해였습니다. 사람-해는 같은 사람을 해마다 다시 센 단위입니다. 같은 "탈퇴"라도 연중 탈퇴는 건강에 대한 정보를 담고 있고, 연말 탈퇴는 그렇지 않습니다. 그래서 보험 자료로 사람을 추적하는 연구에서는 이런 탈퇴가 계산을 치우치게 할 수 있습니다.

두 군의 탈락 비율이 같아도 결과는 치우칠 수 있습니다. 탈락 비율이 같으면 안전하다고 흔히 믿지만, 비율보다 누가 빠지는지가 결과를 정합니다. 항암제 시험을 생각해 보겠습니다. 한쪽 군에서는 부작용이 심해 사람들이 그만둡니다. 그러면 그 군에서 가장 약한 사람이 먼저 빠져나가고, 남은 사람들로 그린 곡선은 좋아 보입니다. 다른 쪽 군에서는 배정 결과에 실망해서 그만둡니다. 이쪽에서는 여유가 있고 건강해서 밖에서 다른 치료를 찾아볼 만한 사람들이 빠집니다. 탈락률은 똑같은데 빠지는 사람의 종류가 정반대입니다. 이 상황을 모형으로 세워 보면, 초기에 빠진 환자 중 각 군에서 15%의 운명만 바꿔도 병이 악화되지 않고 지낸 기간의 이득이 사라졌습니다 (PMID 38382151).

실제 시험에서도 탈락이 결과를 흔든 흔적이 있습니다. 3상 시험은 사람을 대상으로 마지막 단계까지 간 대규모 시험입니다. 중간 지표는 생존 대신 쓰는 지표로, 병이 악화되기까지의 시간 같은 것입니다. 2010~2020년 최상위 의학저널 세 곳에 실린 3상 시험 가운데, 중간 지표에서 유의한 결과가 나온 73편을 살펴봤습니다. 이 중 33편(45%)은 전체 생존의 이득도 함께 보고했고, 40편(55%)은 그러지 못했습니다. 실험군 쪽에 탈락이 유의하게 몰린 경우는 전체 생존 이득이 없던 시험에서만 나타났습니다(15% 대 0%). 두 군의 탈락 불균형을 부분적으로 되돌려 다시 계산하자, 전체 생존 이득이 없던 시험의 50%가 유의성을 잃었습니다. 이득이 있던 시험에서는 15%였습니다 (PMID 34186504). 저자들은 중간 지표는 좋아졌는데 생존 이득은 없는 엇갈림을 정보성 중도절단이 설명할 수 있다고 봤습니다.

정보성 중도절단을 알아채는 방법도 연구되고 있습니다. 최근 한 방법은 추적이 길어질수록 초기 탈락 패턴이 어떻게 변하는지를 봅니다. 한 시험에서는 초기에 잘렸던 환자들이 시간이 지나며 점차 사라졌습니다. 자료가 뒤늦게 채워졌다는 뜻이니 정보성이 아닙니다. 다른 시험에서는 초기 탈락이 그대로 남아 있었고 (PMID 41274169), 이런 경우는 정보성 중도절단의 우려가 커집니다.

탈락이 만드는 편향의 방향도 미리 정해져 있지 않습니다. 영아기 예방접종 연구를 본뜬 컴퓨터 모의실험에서, 특정 시점에서 추적을 끊는 방식은 백신이 해로워 보이는 쪽으로 편향을 만들 수 있었습니다. 반대로 초기 추적 구간을 빼 버리는 방식은 이로운 효과를 깎아내리는 쪽으로 편향을 만들 수 있었습니다 (PMID 31071211). 같은 자료에서도 어디를 자르느냐에 따라 편향의 방향이 갈린다는 뜻입니다. 이 연구는 편향이 어느 쪽으로 생기는지를 컴퓨터 모의실험으로 조사한 것이고, 백신의 효과를 잰 것이 아닙니다.

성향점수 짝짓기처럼 "비교 대상을 비슷하게 맞추는" 도구는 이 문제를 풀지 못합니다. 성향점수 짝짓기는 치료받은 사람과 특성이 비슷한 안 받은 사람을 짝지어 비교하는 방법입니다. 이 도구는 "누가 치료를 받았는가"의 편중을 다룰 뿐, "누가 추적에서 빠졌는가"의 편중은 다루지 않습니다 (PMID 28992275). 성향점수가 하는 일과 하지 않는 일은 「보정을 다 하고 나서 남는 것 — E-value·음성대조·성향점수가 하는 일과 하지 않는 일」에서 다뤘습니다.

탈락을 보정하지 않으면 숫자가 실제로 움직입니다. 코로나19 입원환자의 회복기 혈장 치료 자료를 다시 분석했을 때, 탈락을 보정하지 않은 곡선은 전체 사망을 과대추정하고 있었습니다 (PMID 36676159).

어떻게 고치나 — 시계를 다시 맞춘다

랜드마크 분석은 기준 시점 하나를 새 시점 0으로 삼아 다시 세는 방법입니다. 가장 오래된 처방이고, 방법은 단순합니다. "6개월"처럼 기준 시점을 미리 정하고, 그때까지 살아남은 사람만 남깁니다. 그다음 그 시점의 상태로 치료군과 대조군을 나누고, 시계를 거기서부터 다시 돌립니다. 이렇게 하면 앞서 딸려 오던 공짜 생존이 통째로 잘려 나갑니다.

랜드마크 분석은 가려진 위험을 드러내기도 합니다. 신장이식 환자를 단순하게 계산했을 때는 이식 실패를 겪은 사람과 겪지 않은 사람의 전체 사망이 비슷해 보였습니다. 그런데 30개월과 60개월을 기준 시점으로 잡자 이식 실패가 분명한 위험 요인으로 드러났습니다 (PMID 29024071). 여기서 편향은 치료를 좋아 보이게 만든 대신 진짜 위험을 가리고 있었습니다.

랜드마크 분석으로도 편향이 다 걷히지 않을 수 있습니다. 중환자 인플루엔자 환자에서 항바이러스제 효과를 본 자료에서는, 랜드마크 분석을 포함한 표준적인 분석 방법 셋이 모두 어느 정도 보호 효과가 있다고 말했습니다. 그런데 치료를 시간에 따라 변하는 값으로 다루는 모형에서는 보호 효과의 근거가 사라졌습니다 (PMID 27546771). 이 모형은 그 사람이 실제로 약을 받기 전까지는 비치료로 셉니다. 같은 연구의 모의실험에서도 랜드마크 분석은 편향을 남길 수 있었습니다.

그래서 최근 방법론이 도달한 자리가 표적시험 모사입니다. 표적시험 모사는 "이 질문에 답하는 무작위배정 임상시험을 실제로 한다면 어떻게 설계할까"를 먼저 종이에 적고, 관찰자료를 그 설계에 맞춰 다시 정렬하는 방법입니다. 적을 것은 상식적인 항목들입니다. 누가 참가 자격이 되는가, 비교하는 두 전략은 무엇인가, 시계는 언제부터 도는가, 그 시점에 각 사람이 어느 군에 들어가는가입니다. 관찰연구가 이 항목을 적지 않고 시작하면 시계와 이름표가 어긋납니다. 적고 시작하면 어긋날 자리가 설계 단계에서 드러납니다.

이걸 실제로 적용하면 답이 바뀝니다.

임신 중 항생제와 조기분만. 이 사례에서는 효과의 방향이 뒤집혔습니다. 자료는 보츠와나의 출산 기록 111,403명입니다. 연구자들은 임신 24주부터 37주까지 각 주마다 하나씩, 13개의 시험을 차례로 모사했습니다. 매주 "지금 항생제를 시작한 사람"과 "아직 시작하지 않은 사람"을 비교하는 식입니다. 이 방식에서 조기분만 위험비는 1.11(1.06–1.15)이었습니다. 반면 시점 0을 24주로 고정하고, "24~37주 사이 언제든 항생제를 쓴 사람"을 통째로 항생제군으로 묶은 계산에서는 0.90(0.86–0.94)이 나왔습니다. 이 계산에서는 항생제가 조기분만을 막아 주는 것처럼 보였습니다 (PMID 36805380).

고령 폐암 환자의 수술. 70~89세 초기 폐암 환자에서 수술의 이득을 관찰자료로 재 봤습니다. 아무 조정도 하지 않은 단순한 생존곡선은 1년 생존 차이를 22%로 계산했습니다. 시계를 맞추되 탈락의 정보성을 무시하면 17%, 탈락의 정보성까지 다루자 11%가 됐습니다. 마지막 단계에서 쓴 가중치는 두 군의 환자 특성 차이도 함께 맞춘 것이라, 줄어든 폭이 전부 시계 탓은 아닙니다 (PMID 32386426). 중요한 것은 이득이 사라지지 않았다는 점입니다. 절반으로 줄었지만 남았습니다.

세로 막대 세 개. 소박한 생존곡선 22, 시계를 맞추되 탈락의 정보성을 무시한 계산 17, 탈락까지 다룬 계산 11. 세 값 모두 0보다 크다.

대기오염과 폐암 생존. 캘리포니아 암등록자료로 미세먼지 노출과 생존을 봤습니다. 추적 기간 전체의 노출을 평균 내서 넣은 모형에서는 미세먼지 5 µg/m³당 해저드비가 1.38(1.36–1.40)이었습니다. 강한 위험으로 보이는 값입니다. 노출 측정 시점과 시계 시작을 맞춘 방식에서는 0.99(0.98–1.00)였습니다(이 방식의 값은 오즈비입니다). 저자들은 앞쪽의 강한 효과가 시계 시작과 노출 배정의 어긋남에서 나왔을 가능성이 크다고 결론지었습니다 (PMID 37400995). 오래 추적된 사람일수록 평균을 낸 기간도 깁니다. 그래서 추적 기간 전체를 평균 낸 값에는 "이 사람이 얼마나 오래 추적됐는가"가 이미 섞여 들어가 있습니다. 결과가 노출 측정 안으로 스며든 것입니다.

흔한 오해

첫 번째 오해는 "편향이 있으면 그 효과는 전부 가짜다"입니다. 편향이 있어도 진짜 효과가 함께 남아 있을 수 있습니다. 면역항암제의 부작용과 치료 반응의 관계를 다룬 논문 29편을 모은 메타분석이 그 예입니다. 단순한 계산에서 전체 사망 기준 해저드비는 0.41이었습니다. 랜드마크 방식으로 다시 계산하자 0.61로 줄었지만 여전히 유의했습니다. 우연으로 보기 어려운 크기로 남았다는 뜻입니다. 저자들의 결론은 편향의 효과와 실제 효과가 둘 다 있다는 것이었습니다 (PMID 33225800).

스타틴과 유방암 사망을 다룬 메타분석도 비슷합니다. 이 메타분석은 전체적으로 보호적 연관을 보고했습니다(해저드비 0.81, 0.75–0.87). 동시에 편향 가능성이 있는 연구에서 연관이 더 강해 보이는 경향도 함께 보고했습니다 (PMID 40500317).

두 번째 오해는 "이 편향은 항상 치료를 좋아 보이게 만든다"입니다. 흔한 경향인 것은 맞지만 규칙은 아닙니다. 앞서 본 신장이식 사례에서는 편향이 진짜 위험 요인을 가렸고 (PMID 29024071), 위산분비 억제제 사례에서는 약을 위험해 보이게 만들었습니다 (PMID 36195531). 방향은 시계와 이름표가 어떻게 어긋났는지에서 나오고, 미리 정해져 있지 않습니다.

세 번째 오해는 "랜드마크 분석을 썼다고 적혀 있으면 해결된 것이다"입니다. 여기에는 문제가 두 가지 있습니다. 첫째, 기준 시점을 몇 개월로 잡느냐에 따라 답이 달라집니다. 그런데 앞서 본 미국 암 데이터베이스 조사에서, 랜드마크를 쓴 31편 중 23편(74.2%)은 왜 그 시점을 골랐는지 설명하지 않았습니다 (PMID 31404580).

둘째, 랜드마크 분석 자체에 구조적 한계가 있습니다. 기준 시점의 "비치료군"에는 끝까지 치료를 안 받을 사람과 나중에 받을 사람이 섞여 들어갑니다. 이 섞임이 효과를 실제보다 작게 만듭니다. 그래서 이 방법의 치우침은 대체로 "효과 없음" 쪽이고, 진짜 차이를 찾아낼 힘도 함께 떨어집니다 (PMID 42493425).

정직한 미해결

이 편에 나온 처방들은 완성된 도구가 아닙니다.

보정법을 쓴 논문에도 편향이 남습니다. 불멸시간 편향을 걷어내려고 특정 보정법을 쓴 논문 113편을 검토하니, 22편(19.5%)에 여전히 불멸시간 편향의 소지가 남아 있었습니다. 이 113편 가운데 91%는 표적시험 모사를 표방했습니다. 대부분은 시점 0 이후의 정보로 참가 자격을 걸러낸 경우였습니다 (PMID 42600711). 시계가 돌기 시작한 뒤에야 알 수 있는 정보로 누가 연구에 들어갈지를 정했다는 뜻입니다. 방법의 이름을 붙이는 것과 방법을 적용하는 것은 다릅니다.

편향이 실제 문헌에서 얼마나 큰지도 아직 합의되지 않았습니다. 보정 전후로 결론이 뒤바뀌는 비율은, 방법을 보여주려고 설계한 연구에서 64.3%였고 실제 임상 질문을 다룬 연구에서 32.8%였습니다. 효과 방향이 반대로 뒤집힌 비율도 40.5% 대 15.5%로 갈렸습니다 (관련 연구 67편 비교, PMID 40865584). 교과서에 실리는 극적인 사례들이 실제 문헌의 평균은 아닐 수 있다는 뜻입니다.

자료 자체의 한계도 남습니다. 앞서 본 영국 진료기록 연구는 "의사가 진단을 입력한 날짜"를 시점 0으로 쓰는 보정법도 시도했습니다. 하지만 그 날짜를 믿을 수 없어 쓰지 못했습니다 (PMID 35350993). 시계를 어디에 맞출지 알아도, 그 시각을 알려주는 자료가 없을 수 있습니다.

그리고 편향을 걷어냈다고 해서 답을 알아낸 것은 아닙니다. 앞서 본 독성쇼크증후군 연구에서 편향을 걷어낸 뒤에 남은 답은 "모른다"였습니다. "효과 없음"도 아니었습니다 (PMID 40256040).

논문에서 이걸 어떻게 찾나

네 가지를 확인하면 됩니다.

시계는 언제부터 돌았나. 방법 절에서 "추적 시작", 곧 시점 0을 정의한 문장을 찾습니다. 그 시점이 치료군을 정하는 시점과 같은지, 그보다 나중인지 봅니다.
군을 나눈 기준이 시점 0 이후의 정보인가. "○개월 이상 복용", "○회 이상 투여", "○년 이상 추적된 환자만 포함" 같은 조건이 전부 신호입니다.
빠진 사람이 왜 빠졌는지 적혀 있나. 빠진 이유가 두 군에서 다르면 비율이 같아도 문제입니다.
편향을 다뤘다면 어떻게 다뤘나. 랜드마크 분석을 썼다면 기준 시점을 왜 그 값으로 골랐는지 적혀 있는지 봅니다.

이 편의 결론은 한 문장입니다. 관찰연구에서 "약을 먹은 사람이 오래 살았다"는 문장은, 약에 대한 진술이기 전에 세는 방법에 대한 진술입니다. 세는 방법이 먼저 정직해야 그다음 문장이 뜻을 갖습니다.

시작점과 탈락을 바로잡아도 남는 문제가 있습니다. 배정받은 치료를 도중에 바꾸는 사람들, 그리고 관심 있는 사건이 일어나기 전에 다른 이유로 세상을 떠나는 사람들입니다. 그 문제는 「끝까지 따라가지 못할 때 — 치료를 바꾼 사람, 다른 이유로 떠난 사람」이 맡습니다.

근거 논문

문을 연 사례

"Do OSCAR winners live longer than less successful peers? A reanalysis of the evidence." (2006) — PMID 16954361 — 2001년 원 연구의 4년 차이가 재분석에서 1년 남짓·비유의로.

불멸시간 편향 — 개념과 크기를 정하는 것

"Point: Immortal Time Bias—Determinants of Its Magnitude?" (2019) — PMID 31155675 — 진입-노출 간격, 노출자 비율, 추적 길이.
"Exposure misclassification: an 'immortal time' bias … training load and injury." (2024) — PMID 39447997 — 훈련량을 추적 종료 시점에 재면 저부하가 위험처럼 보입니다.
"Immortal Time Bias … in Orthopedics." (2021) — PMID 34253442 — 최소 추적기간 요구가 불멸시간을 만듭니다(본문의 "2년"은 예시).
"Immortal time bias for life-long conditions … electronic health records." (2022) — PMID 35350993 — 지적장애 33,867명. 미보정 잔여 수명 65.6년(2000~2004) 대 58.0년(2010~2014). 진단 입력일 보정법은 신뢰 불가.
"An unjustified benefit: immortal time bias …" (2018) — PMID 29024071 — 신장이식. 랜드마크(30·60개월) 후 이식 실패가 위험 요인으로 드러남.
"Immortal time bias in observational studies of time-to-event outcomes." (2016) — PMID 27546771 — 중환자 인플루엔자. 노출을 시간에 따라 변하는 값으로 다루면 효과 소실.

얼마나 흔한가

"Identifying, handling and impact of immortal time bias …" (2025) — PMID 41382023 — 162편 중 고위험 35편(21.6%). 재계산 16편 중 4편 유의차·4편 결론 역전. 자기 논문에서 언급 5편(14.3%).
"Immortal Time Bias in National Cancer Database Studies." (2020) — PMID 31404580 — 60편 중 23편(38.3%) 미보정. 랜드마크 31편 중 23편(74.2%)이 시점 선택 근거 미기재.
"Time-related biases in perinatal pharmacoepidemiology." (2022) — PMID 35753061 — 20편 중 11편(55%).
"Metformin and Dementia Risk … Time Related Biases." (2022) — PMID 36186728 — 추적연구 13편 중 8편(61.5%).

편향의 크기 — 있는 계산과 없는 계산

"Immortal time bias exaggerates the effect of metformin on the risk of gastric cancer." (2021) — PMID 33453371 — 위험비 0.67(0.59–0.77) 대 0.95(0.85–1.05).
"Beta blockers and cancer prognosis — The role of immortal time bias." (2016) — PMID 27179912 — 전체 사망 0.88→1.00, 암으로 인한 사망 0.75→0.90(0.83–0.98). 저자 결론은 "편향 위험 연구 제외 후 임상적으로 의미 있는 근거 없음".
"Distorting Effect of Immortal Time Bias … Catheter Ablation." (2021) — PMID 32979508 — 10편 중 8편 편향. 편향 없는 연구만 0.75(0.49–1.02).
"Quantifying Potential Immortal Time Bias … Acute Severe Infection." (2025) — PMID 40256040 — 면역글로불린의 보고된 이득이 적어도 부분적으로 편향으로 설명. 효과 여부는 불확실로 남음.
"The effect of SGLT-2 inhibitors … randomized trials versus observational studies." (2021) — PMID 33991127 — 결과의 들쭉날쭉함이 연구 유형으로 설명(사망 p<0.001), 심부전 입원은 아님(p=0.18).
"Proton pump inhibitors and the risk of cardiovascular events …" (2022) — PMID 36195531 — 심혈관 사망 1.27(1.11–1.44) → 출판편향·설계편향 보정 후 1.06(0.96–1.16).

정보성 중도절단

"Informative censoring by health plan disenrollment …" (2019) — PMID 30788887 — 2,050,000 사람-해. 연중 탈퇴 예측 요인은 건강 상태, 연말 탈퇴는 행정적 요인.
"Equal censoring but still informative …" (2024) — PMID 38382151 — 초기 탈락자 15%의 운명만 바꿔도 이득이 사라짐.
"Informative censoring of surrogate end-point data in phase 3 oncology trials." (2021) — PMID 34186504 — 73편. 탈락 균형 복원 후 전체 생존 이득이 없던 시험의 50%가 유의성 상실(있던 쪽 15%).
"Identifying informative censoring from censoring patterns …" (2026) — PMID 41274169 — 추적 연장에 따른 초기 탈락 패턴 변화로 판별.
"Cautionary note: propensity score matching does not account for bias due to censoring." (2018) — PMID 28992275 — 교란 보정 도구는 탈락 편중을 다루지 않습니다.
"Informative Censoring—A Cause of Bias in Estimating COVID-19 Mortality …" (2023) — PMID 36676159 — 미보정 곡선이 전체 사망을 과대추정.
"Selection bias introduced by informative censoring … vaccination in infancy." (2019) — PMID 31071211 — 시뮬레이션으로 편향의 방향을 조사한 연구이며, 백신의 효과를 측정한 연구가 아닙니다. 자르는 위치에 따라 편향의 방향이 양쪽으로 갈렸습니다.

표적시험 모사

"Emulating Target Trials to Avoid Immortal Time Bias — antibiotics and preterm delivery." (2023) — PMID 36805380 — 13개 순차 모사 위험비 1.11(1.06–1.15) 대 편향 계산 0.90(0.86–0.94).
"Reflection on modern methods: trial emulation …" (2020) — PMID 32386426 — 고령 폐암 수술 1년 생존 차이 22% → 17% → 11%.
"Immortal Time Bias With Time-Varying Exposures in Environmental Epidemiology." (2023) — PMID 37400995 — 미세먼지 해저드비 1.38(1.36–1.40) 대 시점을 맞춘 방식의 오즈비 0.99(0.98–1.00).
"Use of clone-censor-weight to avoid immortal-time bias …" (2026) — PMID 42600711 — 복제-절단-가중을 쓴 113편(91.2%가 표적시험 모사 표방) 중 22편(19.5%)에 편향 소지 잔존.
"On the Statistical Limitations of Landmark Analysis …" (2026) — PMID 42493425 — 기준 시점 비치료군에 후기 치료자가 섞여 효과가 "없음" 쪽으로 축소되고 검정력도 손실.

남은 논쟁

"Immortal time bias tends to be more pronounced in methodological studies …" (2025) — PMID 40865584 — 67편. 결론 불일치 64.3% 대 32.8%, 방향 역전 40.5% 대 15.5%.
"Immortal time bias in the association between toxicity and response …" (2021) — PMID 33225800 — 전체 사망 0.41 → 랜드마크 0.61. 편향과 실제 효과가 둘 다 있음.
"Statin use and breast cancer-specific mortality and recurrence …" (2025) — PMID 40500317 — 해저드비 0.81(0.75–0.87). 편향 가능성이 있는 연구에서 연관이 더 강해 보이는 경향도 보고.

이 글은 AI가 연구 논문을 바탕으로 작성한 교육·정보 제공용 콘텐츠이며, 전문가의 조언을 대체하지 않습니다. 오류를 발견하셨나요? 알려주세요

Paperis 아티클

그 사람들은 언제부터 세어졌나 — 관찰연구가 효과를 만들어내는 방식

기초AI 생성기초과학 · 2026년 10월 5일

내 분야 논문을 오디오로

관심 분야·저널을 고르면 Paperis가 핵심 논문을 요약하고 음성으로 변환해 드려요. 출퇴근길에 들어보세요.

Paperis 무료로 시작하기 →

그 사람들은 언제부터 세어졌나 — 관찰연구가 효과를 만들어내는 방식

바뀐 것은 각 사람을 언제부터 세기 시작했는가 하나입니다. 배우들의 수명이 바뀐 것도, 자료가 바뀐 것도 아닙니다.

죽을 수 없었던 기간 — 불멸시간 편향

얼마나 흔한가

편향은 얼마나 큰가

메트포르민과 위암. 불멸시간 편향이 있는 추적연구 6편을 모으면 위험이 33% 낮아 보였습니다(위험비 0.67, 95% 신뢰구간 0.59–0.77). 편향이 없는 8편을 모으면 연관이 없었습니다(0.95, 0.85–1.05) (PMID 33453371).
베타차단제와 암 예후. 30편 전부를 모으면, 전체 사망 기준 해저드비는 0.88(0.79–0.97)이었고 그 암으로 인한 사망 기준은 0.75(0.64–0.88)였습니다. 편향 위험이 있는 연구를 빼자 전체 사망 쪽은 1.00(0.93–1.07)으로 차이가 사라졌습니다. 암으로 인한 사망 쪽은 0.90(0.83–0.98)으로 남았습니다. 다만 저자들 자신의 결론은 편향 위험 연구를 뺀 뒤에는 임상적으로 의미 있는 근거를 찾지 못했다는 것이었습니다 (PMID 27179912). 저자들은 베타차단제가 암 생존에 이롭다는 그간의 제안이 이 편향에 기댄 것이었을 수 있다고 덧붙입니다 (PMID 27179912).
심방세동 시술과 뇌졸중. 10편 중 8편(80%)에 편향이 있었습니다. 편향이 없는 연구만 모으면 뇌졸중 감소가 통계적으로 유의하지 않았습니다(0.75, 0.49–1.02). 구간이 1을 넘어서까지 걸쳐 있기 때문입니다 (PMID 32979508).
면역글로불린과 독성쇼크증후군. 독성쇼크증후군은 세균 감염으로 온몸이 몇 시간 만에 무너지는 중증 질환이고, 여기에 면역글로불린이라는 약을 씁니다. 편향의 크기를 계산해 주는 도구로 재 보니, 기존에 보고된 생존 이득이 적어도 부분적으로는 이 편향으로 설명됐습니다. 저자들의 결론은 "효과가 있는지 여전히 불확실하다"였습니다. 효과가 없다고 결론 내린 것은 아닙니다 (PMID 40256040).
SGLT-2 억제제(당뇨약 계열 하나). 무작위시험 7편과 관찰연구 23편을 나란히 놓았습니다. 관찰연구 일부는 사망 50% 감소를 보고하고 있었습니다. 연구마다 결과가 들쭉날쭉했는데, 그 들쭉날쭉함은 무작위시험인가 관찰연구인가로 설명됐습니다(전체 사망·심혈관 사망 모두 p<0.001). 다만 심부전 입원에서는 그렇지 않았습니다(p=0.18) (PMID 33991127). 저자들은 관찰연구의 부풀려진 결과가 불멸시간 편향 같은 방법상의 문제에서 왔을 수 있다고 봤습니다.

누가 왜 빠지는가 — 정보성 중도절단

어떻게 고치나 — 시계를 다시 맞춘다

이걸 실제로 적용하면 답이 바뀝니다.

세로 막대 세 개. 소박한 생존곡선 22, 시계를 맞추되 탈락의 정보성을 무시한 계산 17, 탈락까지 다룬 계산 11. 세 값 모두 0보다 크다.

흔한 오해

정직한 미해결

이 편에 나온 처방들은 완성된 도구가 아닙니다.

논문에서 이걸 어떻게 찾나

네 가지를 확인하면 됩니다.

시계는 언제부터 돌았나. 방법 절에서 "추적 시작", 곧 시점 0을 정의한 문장을 찾습니다. 그 시점이 치료군을 정하는 시점과 같은지, 그보다 나중인지 봅니다.
군을 나눈 기준이 시점 0 이후의 정보인가. "○개월 이상 복용", "○회 이상 투여", "○년 이상 추적된 환자만 포함" 같은 조건이 전부 신호입니다.
빠진 사람이 왜 빠졌는지 적혀 있나. 빠진 이유가 두 군에서 다르면 비율이 같아도 문제입니다.
편향을 다뤘다면 어떻게 다뤘나. 랜드마크 분석을 썼다면 기준 시점을 왜 그 값으로 골랐는지 적혀 있는지 봅니다.

근거 논문

문을 연 사례

"Do OSCAR winners live longer than less successful peers? A reanalysis of the evidence." (2006) — PMID 16954361 — 2001년 원 연구의 4년 차이가 재분석에서 1년 남짓·비유의로.

불멸시간 편향 — 개념과 크기를 정하는 것

"Point: Immortal Time Bias—Determinants of Its Magnitude?" (2019) — PMID 31155675 — 진입-노출 간격, 노출자 비율, 추적 길이.
"Exposure misclassification: an 'immortal time' bias … training load and injury." (2024) — PMID 39447997 — 훈련량을 추적 종료 시점에 재면 저부하가 위험처럼 보입니다.
"Immortal Time Bias … in Orthopedics." (2021) — PMID 34253442 — 최소 추적기간 요구가 불멸시간을 만듭니다(본문의 "2년"은 예시).
"Immortal time bias for life-long conditions … electronic health records." (2022) — PMID 35350993 — 지적장애 33,867명. 미보정 잔여 수명 65.6년(2000~2004) 대 58.0년(2010~2014). 진단 입력일 보정법은 신뢰 불가.
"An unjustified benefit: immortal time bias …" (2018) — PMID 29024071 — 신장이식. 랜드마크(30·60개월) 후 이식 실패가 위험 요인으로 드러남.
"Immortal time bias in observational studies of time-to-event outcomes." (2016) — PMID 27546771 — 중환자 인플루엔자. 노출을 시간에 따라 변하는 값으로 다루면 효과 소실.

얼마나 흔한가

"Identifying, handling and impact of immortal time bias …" (2025) — PMID 41382023 — 162편 중 고위험 35편(21.6%). 재계산 16편 중 4편 유의차·4편 결론 역전. 자기 논문에서 언급 5편(14.3%).
"Immortal Time Bias in National Cancer Database Studies." (2020) — PMID 31404580 — 60편 중 23편(38.3%) 미보정. 랜드마크 31편 중 23편(74.2%)이 시점 선택 근거 미기재.
"Time-related biases in perinatal pharmacoepidemiology." (2022) — PMID 35753061 — 20편 중 11편(55%).
"Metformin and Dementia Risk … Time Related Biases." (2022) — PMID 36186728 — 추적연구 13편 중 8편(61.5%).

편향의 크기 — 있는 계산과 없는 계산

"Immortal time bias exaggerates the effect of metformin on the risk of gastric cancer." (2021) — PMID 33453371 — 위험비 0.67(0.59–0.77) 대 0.95(0.85–1.05).
"Beta blockers and cancer prognosis — The role of immortal time bias." (2016) — PMID 27179912 — 전체 사망 0.88→1.00, 암으로 인한 사망 0.75→0.90(0.83–0.98). 저자 결론은 "편향 위험 연구 제외 후 임상적으로 의미 있는 근거 없음".
"Distorting Effect of Immortal Time Bias … Catheter Ablation." (2021) — PMID 32979508 — 10편 중 8편 편향. 편향 없는 연구만 0.75(0.49–1.02).
"Quantifying Potential Immortal Time Bias … Acute Severe Infection." (2025) — PMID 40256040 — 면역글로불린의 보고된 이득이 적어도 부분적으로 편향으로 설명. 효과 여부는 불확실로 남음.
"The effect of SGLT-2 inhibitors … randomized trials versus observational studies." (2021) — PMID 33991127 — 결과의 들쭉날쭉함이 연구 유형으로 설명(사망 p<0.001), 심부전 입원은 아님(p=0.18).
"Proton pump inhibitors and the risk of cardiovascular events …" (2022) — PMID 36195531 — 심혈관 사망 1.27(1.11–1.44) → 출판편향·설계편향 보정 후 1.06(0.96–1.16).

정보성 중도절단

"Informative censoring by health plan disenrollment …" (2019) — PMID 30788887 — 2,050,000 사람-해. 연중 탈퇴 예측 요인은 건강 상태, 연말 탈퇴는 행정적 요인.
"Equal censoring but still informative …" (2024) — PMID 38382151 — 초기 탈락자 15%의 운명만 바꿔도 이득이 사라짐.
"Informative censoring of surrogate end-point data in phase 3 oncology trials." (2021) — PMID 34186504 — 73편. 탈락 균형 복원 후 전체 생존 이득이 없던 시험의 50%가 유의성 상실(있던 쪽 15%).
"Identifying informative censoring from censoring patterns …" (2026) — PMID 41274169 — 추적 연장에 따른 초기 탈락 패턴 변화로 판별.
"Cautionary note: propensity score matching does not account for bias due to censoring." (2018) — PMID 28992275 — 교란 보정 도구는 탈락 편중을 다루지 않습니다.
"Informative Censoring—A Cause of Bias in Estimating COVID-19 Mortality …" (2023) — PMID 36676159 — 미보정 곡선이 전체 사망을 과대추정.
"Selection bias introduced by informative censoring … vaccination in infancy." (2019) — PMID 31071211 — 시뮬레이션으로 편향의 방향을 조사한 연구이며, 백신의 효과를 측정한 연구가 아닙니다. 자르는 위치에 따라 편향의 방향이 양쪽으로 갈렸습니다.

표적시험 모사

"Emulating Target Trials to Avoid Immortal Time Bias — antibiotics and preterm delivery." (2023) — PMID 36805380 — 13개 순차 모사 위험비 1.11(1.06–1.15) 대 편향 계산 0.90(0.86–0.94).
"Reflection on modern methods: trial emulation …" (2020) — PMID 32386426 — 고령 폐암 수술 1년 생존 차이 22% → 17% → 11%.
"Immortal Time Bias With Time-Varying Exposures in Environmental Epidemiology." (2023) — PMID 37400995 — 미세먼지 해저드비 1.38(1.36–1.40) 대 시점을 맞춘 방식의 오즈비 0.99(0.98–1.00).
"Use of clone-censor-weight to avoid immortal-time bias …" (2026) — PMID 42600711 — 복제-절단-가중을 쓴 113편(91.2%가 표적시험 모사 표방) 중 22편(19.5%)에 편향 소지 잔존.
"On the Statistical Limitations of Landmark Analysis …" (2026) — PMID 42493425 — 기준 시점 비치료군에 후기 치료자가 섞여 효과가 "없음" 쪽으로 축소되고 검정력도 손실.

남은 논쟁

"Immortal time bias tends to be more pronounced in methodological studies …" (2025) — PMID 40865584 — 67편. 결론 불일치 64.3% 대 32.8%, 방향 역전 40.5% 대 15.5%.
"Immortal time bias in the association between toxicity and response …" (2021) — PMID 33225800 — 전체 사망 0.41 → 랜드마크 0.61. 편향과 실제 효과가 둘 다 있음.
"Statin use and breast cancer-specific mortality and recurrence …" (2025) — PMID 40500317 — 해저드비 0.81(0.75–0.87). 편향 가능성이 있는 연구에서 연관이 더 강해 보이는 경향도 보고.